Rendre un PDF existant consultable (OCR) via la ligne de commande / script.

J'utilise Adobe acrobat pour faire de l'OCR par lots. Mon scanner recto-verso peut effectuer une reconnaissance optique de caractères après la numérisation, mais la technologie de reconnaissance optique de caractères d'Acrobat est plus précise à mon avis. Je pointe simplement vers le dossier qui n'a pas d'OCR, puis Acrobat réenregistre le PDF en tant que PDF consultable incluant une couche de texte. Si je voulais faire de l'OCR via la ligne de commande, je ne connais pas de moyen, mais je peux automatiser l'interface graphique en utilisant Autohotkey. Ce n'est pas aussi fiable ni aussi rapide que la ligne de commande, mais cela fait l'affaire après avoir configuré une action de flux de travail pour minimiser l'interaction avec l'interface graphique.

Pour Mac, apple script fait ce que Autohotkey fait sur le PC bien que je n'ai pas encore essayé sur mon Mac.

Auto hot key est livré avec un enregistreur, donc la plupart de l'écriture du script est un dîner pour vous avec un peu d'édition pour le raffinement et peut-être la mise en boucle si vous le souhaitez.

J'ai expérimenté l'OCRing d'images mais je n'ai pas encore automatisé complètement le processus à travers Acrobat. La ligne de commande est idéale, mais je n'ai pas trouvé de moteur d'OCR de qualité supérieure à celui d'acrobat, donc je m'en tiens à acrobat pour l'instant.

Je suis tombée sur ça récemment : http://ocrkit.com/faq.html

Vous devez cependant payer après 14 jours

OCRKit dispose à la fois d'un support AppleScript et d'une CLI. De leur page d'aide :

AppleScript

Vous pouvez également script OCRKit pour l'intégrer dans votre flux de travail spécifique. Par exemple, traitez les fichiers entrants, via un dossier partagé, à partir d'un copieur MFP, etc. etc. et simplement dire à OCRKit d'ouvrir et donc de traiter ces fichiers par le biais de AppleScript :

tell application "OCRKit"
   -- the wonders of AppleScript POSIX path handling, ...
   open "Users:admin:Desktop:orderform.pdf"
   open POSIX path of "/Users/Admin/Desktop/orderform.pdf"
end tell 

Ligne de commande

Depuis la version 2.5 d'OCRKit, les scripts en ligne de commande directe sont supportés. Cela simplifie grandement l'utilisation d'OCRKit dans le traitement par lot, permet de définir plus d'options, et est également plus robuste et multiplateforme qu'AppleSCript. AppleSCript.

OCRKit.app/Contents/MacOS/OCRKit \ 
    --lang en | de | fr | es | ... \
    --format pdf | html | rtf | text \
    --no-progress \
    --output out-file in-file

Depuis la version 16.9 d'OCRKit, des options de ligne de commande supplémentaires sont prises en charge :

-r, --recursive directory

Recherche récursive de nouveaux fichiers dans le répertoire. Ignore les fichiers d'OCRKit, avec couche de texte ou graphiques vectoriels.

--pattern "regex"

Motif utilisé pour faire correspondre les noms de fichiers pendant les analyses récursives. La valeur par défaut est %.pdf$ La recommandation pour le TIFF est %.tiff?$

--log file

Écrire les informations et les statistiques du fichier journal pendant l'analyse récursive dans le fichier.

--password secret

Utilisez un mot de passe secret pour décrypter les fichiers PDF pendant le traitement par lots.

--test-run [ fast ]

Exécutez uniquement le traitement par lots en mode test pour tester les fichiers PDF ou pour obtenir le nombre de pages pour estimer le temps de traitement total. "rapide" va seulement vérifiera seulement la première page de chaque fichier, au lieu de passer par toutes les pages pour l'analyse des images et des vecteurs.

--tag name

Utilisez le nom de l'attribut étendu pour marquer l'état de traitement des fichiers pendant le traitement par lots. macos:OCRKit (%s) utilisera le système natif de MacOS Finder à la place, ou simplement macos:OCRKit sans compter l'État l'attribut state. L'ordre de l'attribut state sont : started , analyzed , processed et peut également être encrypted .